分析师一致预期数据及其市场覆盖度 [page::3][page::4]

• 朝阳永续数据库自2006年起报告数量和覆盖公司逐年增加，2017年覆盖超过75%的A股公司。

- 沪深300的预期EPS覆盖率约90%，目标价覆盖约80%，中证500和全指覆盖率相对较低。

分析师一致预期vs传统财报指标的比较 [page::4][page::5]

• 一致预期PE因子的选股能力优于传统PE(TTM)，年化超额收益达到7.96%。

- 成长因子与盈利因子中，一致预期指标表现不及季度数据构建的传统因子，受限于年度指标的滞后与预期乐观偏差。

预期差因子构建及表现 — 预期EPS调整因子epschange [page::6][page::7]

• epschange定义为当前预期EPS与三个月前预期EPS的相对变化比率。

- 因子表现稳健，多头组合长期跑赢基准，且分组收益显著呈单调递增趋势。

预期EPS上调比例因子epsdiffusion及其表现 [page::7][page::8]

• epsdiffusion以过去三个月上调与下调EPS机构净比例构建，比单纯调整幅度epschange因子IC更优，选股能力更强。

预期PE调整因子pechange及表现 [page::8][page::9]

• pechange代表股价涨幅相对于EPS调整的偏离，因子表现超越epschange和eps_diffusion，分组收益单调性明显。

盈利超预期因子（Earnings Surprise）及应用 [page::9]

• 构造季度频业绩预期值，通过业绩发布后真实季度EPS与预期比值计算。

- 因子表现稳定，提供额外选股信息但与前三因子相关性较低。

预期差复合因子构建与综合表现 [page::10][page::11]

| 样本区间 | IC | 多空年化收益率 | 年化波动率 | 夏普比率 | 最大回撤 |
|------------|---------|----------------|------------|----------|----------|
| 中证全指 | 4.43% | 15.54% | 4.41% | 3.52 | 5.40% |
| 沪深300 | 4.48% | 12.75% | 4.54% | 2.81 | 4.67% |
| 中证500 | 4.39% | 14.96% | 5.95% | 2.52 | 4.03% |

• 四因子合成复合因子在剔除传统因子影响后依然表现卓越，年化多空收益率高达16%，夏普率3.52。

- 因子相关性低，信息增益显著，说明复合因子有效捕获了多维预期差信号。

关键结论与投资建议 [page::12]

• 分析师一致预期数据作为重要第三方信息源，内含丰富选股信息。

- 单独使用年度一致预期数据替代传统财报指标不一定增强选股效果。

• 基于预期差构建的多因子策略稳定且表现强劲，适合量化选股应用。

申万多因子系列报告之二 — 基于分析师一致预期的选股研究详尽分析

---

1. 元数据与报告概览

标题：申万多因子系列报告之二——基于分析师一致预期的选股研究
作者：证券分析师曹春晓，研究支持黄梓灿，联系人宋施怡
发布机构：申万宏源证券有限责任公司
发布时间：2018年7月2日
主题：剖析基于分析师一致预期数据的多因子选股模型，探索分析师预期数据在A股市场选股中的应用及其选股能力。

核心论点：
报告围绕“分析师一致预期”数据展开，强调该数据作为除公司财报和交易数据外的第三方重要信息源，蕴含丰富信息。由于分析师预期通常存在乐观偏差，且A股市场的预期数据多为年度指标，直接使用一致预期数据简单替代传统财报指标并非最佳策略。基于此，报告提出了多种“预期差”因子（如预期EPS调整因子、预期PE调整因子、盈利超预期因子等），并验证其在剔除市值、行业及风格风险后的强选股能力，特别是复合预期差因子在沪深300、中证500和中证全指样本中均表现出显著的正向信息系数（IC）与超额收益。

投资建议层面，分析师建议将这些预期差因子与传统基本面因子相结合，利用分析师一致预期数据中隐含的市场预期修正行为，用以增强选股效果。

---

2. 逐节深度解读

2.1 量化与基本面的结合

报告首先回顾了A股市场自2017年以来的变化，市场风格和因子表现发生显著转变，如小市值因子受监管影响调整明显，量价因子表现回撤，盈利质量因子异军突起。作者指出，行业研究员的深度基本面研究难以用纯量化模型充分代替，而当前多个数据提供商如朝阳永续已将券商研究员报告结构化处理，形成分析师一致预期数据库。利用该数据库可实现基本面与量化的结合：基本面数据（静态财报数据与动态分析师一致预期）提供底层研究支持，交易数据则代表市场行为、交易驱动，因此两者结合是量化投资获取alpha的有效途径。

图1清晰对比了基本面数据（静态财报低频、动态分析师预期的及时反映）与量价数据（高换手率的市场alpha来源），图示出两者的互补关系。

2.2 一致预期能否替代财报指标

此章节利用朝阳永续数据库，介绍分析师一致预期的报告收录规模和覆盖范围：

• 图2显示2006年至2017年朝阳永续年度收录报告篇数稳步提升，2017年已达5万余篇，深度报告超过3500篇。

- 图3揭示了报告覆盖的A股公司数目持续增加，2017年覆盖超2500家，覆盖A股公司超75%。其中深度报告覆盖约1500家，表明数据覆盖日益广泛。

针对预期EPS和目标价两类核心数据，分析显示（图4与图5）：

• 预期EPS的覆盖率在沪深300中稳定约90%，中证500次之，中证全指大约50%。

- 目标价覆盖率较低，沪深300约80%，中证全指仅40%左右。
且两者存在显著的时间（月份）效应。

选股有效性方面：将一致预期PE指标与传统滚动TTM财报PE作比较，利用低PE组合模拟，发现一致预期PE因子不仅选股能力优于传统PE（IC值、年化超额收益率均高），且波动率较低，换手率较高，表明该因子选股更为灵活且有效（图6，表1）。然而，一致预期的成长类（如统一口径的净利润同比增长率）和盈利类（如ROE）指标则不如以季度财报数据构建的对应指标，可能因年度数据滞后且信息已部分反映于股价中，简单替代并不能提升alpha（图7与图8）。

2.3 从一致预期到预期差

鉴于分析师乐观偏差（图9展示自2007年以来分析师一致预期净利润较实际公告净利润的约20%平均乐观偏差，即系统性高估），报告不建议直接使用绝对预期指标，而是倡导“预期差”概念——即市场对预期的变化与调整差异，基于过去与当前分析师预期的动态比较，更有效捕捉潜在选股alpha。

3.3.1 预期EPS调整因子（epschange）

定义为当前预期EPS与3个月前预期EPS的变动幅度的相对值。基于朝阳永续加权一致预期EPS每日数据构建，覆盖广泛。

实证显示（图10和图11）该因子在中证全指内展现强选股能力，组合收益随因子分组递增而单调上涨，历年表现稳定，仅2008年表现欠佳。

3.3.2 预期EPS上调比例因子（epsdiffusion）

基于分析报告中机构对单股EPS预期的调整方向，计算过去3个月内上调EPS的机构比例减去下调机构比例。该因子衡量市场一致的预期乐观情绪强弱。

图12和图13显示该因子具备超越epschange的选股能力，分组收益和Rank IC表现均优，说明市场对多数机构方向一致性更敏感。

3.3.3 预期PE调整因子（pechange）

从概念出发，pechange反映股价变动相对EPS变动的偏差（公式中显式表达股价涨幅除以EPS涨幅减一），考察价格调整是否滞后于盈利预期的变化。

图14和图15数据说明pechange因子表现最优，具备最高的选股能力和单调性，Rank IC稳健且高于epschange和epsdiffusion。

3.3.4 盈利超预期因子（Earning surprise, ES）

基于季度频数据估算。通过年度EPS预期乘以季度净利润占全年比例计算季度预期EPS，业绩公布后计算实际季度EPS与预期EPS之比，形成季度盈利超预期因子。

图16和图17表明该因子同样表现良好，尽管IC值与收益率不及前三者，但因子稳定且补充了额外有效信息。

3.3.5 预期差复合因子

通过表2相关性分析，四个预期差因子相关性均低于50%，尤其盈利超预期因子与其它因子相关性更低，提供独立信息。

利用这一点，报告构建包含epschange、epsdiffusion、pechange和ES的复合因子，并剔除常见风格因子影响（估值、盈利、成长等），在中证全指、沪深300及中证500均表现优异。图18显示复合因子多空组合年化超额收益约16%，夏普率达3以上（表3），最大回撤相对较小，验证了该复合因子的高信息含量和实用价值。

---

3. 图表深度解读

图1：量化与基本面如何结合（第3页）

展示两大数据核心：基本面（静态的低频财报数据与动态的分析师一致预期）和量价数据（交易数据）。强调基本面具有较高的研究价值和稳定性，但更新频率低；量化方法依赖高频交易数据挖掘alpha。结合基础研究员的洞察和量化模型，实现优势互补，提升投资决策科学性。

图2 & 图3：朝阳永续研究报告及覆盖度（第4页）

展示朝阳永续数据库自2006年以来报告数和深度报告数逐年上升，2017年达到巅峰。对应覆盖公司数增长，说明数据库日益丰富，广度和深度满足量化选股需求。

图4 & 图5：不同样本区间下EPS预期值和目标价覆盖度（第4页）

曲线表明沪深300覆盖最广，目标价覆盖度低于EPS预期，且覆盖程度随着样本范围扩大逐渐下降。明显的月份周期效应暗示季报、年报等信息披露节点影响预期数据更新。

图6：一致预期PE vs PETTM（第5页）

累计超额收益曲线上一致预期PE因子表现优于传统PE(TTM)因子。相关表格数据显示一致预期PE在多指标（IC、超额收益、换手率）上领先，显示其信息效率更高，交易策略更灵活。

图7 & 图8：成长因子与盈利因子对比（第5页）

成长因子方面，季度净利润同比增速优于年度一致预期成长因子，盈利因子中，传统ROE指标略优于一致预期ROE说明季度财务指标的时效性和精细度在选股中依然重要。

图9：分析师一致预期与实际公告净利润偏差（第6页）

显示乐观偏差趋势，虽有改善但仍明显，警示直接用绝对预期值存在局限。

图10 ~ 图15：各类预期差因子的选股表现与Rank IC热力图（第6-8页）

• epschange、epsdiffusion、pechange因子均显示了稳定且较强的选股能力，分组收益表现呈线性单调递增趋势。

- pechange表现最佳，不仅年化收益高且波动率低，风险调整后更优。

• Rank IC热力图显示因子在历年月份中主要呈正色调，稳定性好。

- epsdiffusion因子选股能力优于epschange，表明机构预期上调的共识度是关键。

图16 & 图17：盈利超预期因子表现

尽管收益率和Rank IC略逊于其他因子，但仍表现出明显的分组盈利差异，表明对预期与实际季度盈利的比值捕捉了不同的信息维度。

表2：因子间相关性

低于50%的相关性揭示了各因子互补性，特别是盈利超预期因子相对独立，适合合成复合因子提高信息效率。

图18 & 表3：复合因子表现

折线图体现复合因子累计超额收益稳定持续攀升，年化收益率和夏普率较高，最大回撤受控，验证复合因子具备实际应用价值。三大样本（中证全指、沪深300、中证500）稳健表现，表明方法具有广泛适用性。

---

4. 估值分析

本报告核心不在于传统估值，而主要围绕基于分析师预期数据构造的多因子模型进行量化选股，未直接涉及DCF等估值模型。因子选股遵循典型量化方法，利用信息系数(IC)、年化超额收益对因子表现进行评估。复合因子通过线性组合多预期差因子，并剔除市值、行业及风格风险因素，实现更为纯净的alpha捕捉，体现因子净值收益及风险特性。

---

5. 风险因素评估

本报告识别的风险主要隐含于数据的局限和分析师预期的偏差特性：

• 分析师乐观偏差固有性：乐观偏差可能导致预期值与实际差距较大，预期值波动对投资决策产生误导。

- 数据更新频率限制：A股分析师预期多为年度数据，缺乏高频信息，信息滞后降低部分预期指标的alpha贡献。

• 预期数据覆盖有限：如目标价覆盖率偏低，部分中小盘或新兴行业公司预期信息不足，影响因子稳定性。

- 市场风格与监管变化风险：A股市场风格多变，监管政策调控频繁，量化因子表现可能受宏观环境影响剧烈。

报告虽未明确提出缓解方案，但通过剔除市值、行业及常见风格风险等方法，结合多因子复合模型降低个别风险因子影响，将上述风险降至最低。

---

6. 审慎视角与潜在局限

• 对于预期数据的使用，报告明确指出单纯替代传统财报指标效果不佳，体现出谨慎态度，避免简单化误区。

- 分析师乐观偏差的持续存在提醒用户模型风险，因子表现佳但不代表未来一定持续。

• 数据主要覆盖2017年前后及之后，近年来市场环境与数据质量可能有所不同，需持续更新验证。

- 预期差因子虽然表现优异，但因子本身与市场情绪关系密切，可能面临非系统性风险冲击。

• 报告未提供多空组合成本估算，实际操作中的交易成本和流动性风险需进一步考虑。

- 复合因子的构建权重未详细阐述，具体优化方法、参数调整细节缺失，对模型可复制性有限。

整体来看，报告保持了科学的态度，校核了多角度数据表现，结构严谨，论证充分。

---

7. 结论性综合

申万宏源关于分析师一致预期数据的研究充分利用了券商研究员的深度分析成果，结合量化方法，创新提出多种预期差因子以捕捉市场预期变化中的alpha，展现了极强的选股能力，超越传统静态财报指标。具体结论包括：

• 分析师一致预期数据是重要第三方信息源，具有较高覆盖率和丰富性，尤其是年度EPS预期和目标价数据。

- 分析师预期存在积极的乐观偏差，直接引用绝对预期值效果有限，须提取预期差相关因素。

• 预期EPS调整因子(epschange)、机构一致预期上调比例因子(epsdiffusion)、预期PE调整因子(pe_change)以及盈利超预期因子(ES)均具备显著的独立选股能力，且表现稳定。

- 多因子复合模型通过权衡上述因子有效剔除行业、市值及常见风格风险后，仍保持IC均值超4%，多空组合年化收益率超15%，夏普率超3，展现良好的风险调整收益。

• 该复合因子在沪深300、中证500及中证全指等不同样本表现一致，适用性广泛。

图表与实证数据全面支撑上述结论，例如图6展示一致预期PE超越传统PE，图18彰显复合因子具备良好选股表现，表3量化指标反映风险控制功效。

报告整体展现乐观而审慎的态度，鼓励投资者结合传统基本面因子和预期差因子，以提升选股模型的精准度与稳定性，具有重要的理论价值和实操意义。

---

综上，申万宏源2018年发布的这份《基于分析师一致预期的选股研究》报告，围绕如何利用分结构化的分析师一致预期数据构建预期差因子，验证并实证其优异的选股性能，展示了信息提取与因子设计的创新路径，是A股量化基本面研究的重要参考。报告主张的预期差复合因子为投资者提供了一个有效补充传统因子的工具，值得关注与应用。[page::0,1,2,3,4,5,6,7,8,9,10,11,12]

报告